Zhao Junquan

Allmän verktygsplattform (AiNative-Tools)

Kärnprojekt Iterativ Dev AI-Native Studio Arbetsflöde i LangChain-stil DEMO

Bakgrund

AiNative-Tools är byggt för gränsöverskridande e-handelsinnehållsproduktion, automatiserad produktmodifiering, bildbehandling och batchleverans och integrerar produktinsamling, prompt orkestrering, AI-copywriting, vita bakgrundsbilder, scenbilder, paketleverans och observerbarhet i en lokal Studio-arbetsyta. Systemet använder katalogkontrakt, uppgiftsköer, plugin-manifest och statusströmmar för att organisera inköp, listning, generering av tillgångar och leverans i konfigurerbara, återupptasbara och spårbara produktionsarbetsflöden. Dess tekniska form följer ett LangChain-arbetsflöde kring e-handelsverksamhet: varje produktbatch rör sig genom stabil input, prompt orkestrering, modellanrop, strukturerad analys, bildverktyg och leveransverktyg.

Mitt ansvar

Jag ansvarade för att göra arbetsflöden för internationellt e-handelsinnehåll till en sammanhållen lokal Studio-process, från insamling och produktbearbetning till översättning, bildgenerering och leverans. Jag ledde arbetet med att definiera omfattningen, från analys av affärsflöden till verktygens ansvarsgränser, och gjorde repetitiva moment konfigurerbara, spårbara, återställningsbara och möjliga att bygga vidare på.

Teknisk lösning

Ett FastAPI + TaskManager + Manifest 3-lagers kontrollplan, där uppgifter fortskrider från inmatning till leverans i batcher, med WebSocket-tillståndssynkronisering i realtid.

Frontend Studio Shell hanterar uppgiftsköer, batchoperationer och verktygsingångspunkter i vanilla JS; backend hanterar inbyggda/moln/AI-uppgiftskanaler via FastAPI asynkrona rutter.
Manifestlagret skannar automatiskt lokala SUM-verktygsskript och registrerar bildbehandlings-, packnings- och förbättringsmöjligheter som konfigurerbara verktygsformulär.
Kärnproduktionskedja: produkt-URL/Excel-ingång → Scraper → PromptComposer → AIClient → JSON Parser → Painter/PackTool-leverans.
AIClient normaliserar Gemini / OpenAI-kompatibla modellprotokollskillnader; Structured Output Parser begränsar modellutdata till JSON-förbrukningsmaterial av nedströms bildverktyg.
Prompt Registry stöder ersättning på marknadsspråk, scensnitt och förpackning i Sandwich-format så att olika produktpartier löper stabilt genom samma pipeline.
Key Pool, tillståndsbilder och batchkataloger ger tillsammans återställningsgränser för återförsök, saknade bilder, omöversättning och ompaketering.

Resultat i korthet

Projektet uppgraderar spridda driftverktyg till ett visuellt, köat och återställbart Studio-kontrollplan. Den stöder en hel slinga från produkt-URL/Excel-inmatning till bildtextinsamling, AI-analys, förbearbetning av vit bakgrund, generering av batch-scenbilder och montering av leveranspaket, samtidigt som stabiliteten för långa partier förbättras genom katalogkontrakt, tillståndsbilder, schemaläggning av Key Pool och logguppspelning. Batchmappar fungerar som stabilt inmatningsschema, den egenbyggda TaskStateStore fungerar som Checkpoint, SharedGroupManager tillhandahåller minnesliknande tillstånd och bild-/paketeringsskript ansluter sig till arbetsflödet som Tool Layer-komponenter, vilket bevarar tydliga återställningsvägar för misslyckade körningar, repriser, bildkomplettering, översättningskomplettering och ompaketering.

FastAPI Python 3.12 Pydantic Studio-skal i ren JavaScript Tillståndsström via WebSocket Manifest-baserat pluginsystem Flera köer i TaskManager Gemini / OpenAI API Snabb kompositör Schemaläggning för Key Pool Selen / Firefox Kudde / OpenCV XLSX / CSV-dataintag Batcharkiv och återställning Snabbregistrering RunnableSequence Structured Output Parser State Store Minnesliknande tillstånd LangChain

Se utvecklingsloggen

Lite Studio

Desktop-klient Pågående underhåll

Bakgrund

Eftersom komplexiteten för LLM-verktygssamtal fortsätter att växa, kan ad-hoc-skript inte längre upprätthålla högfrekventa, multi-turn, cross-toolchain AI-arbetsflöden. Lite Studio ersätter spridda verktyg med en beständig, spårbar och utbyggbar lokal AI-arbetsstation – konsoliderar konversationstillstånd, modellkonfiguration, kontextkomprimering och plugin-orkestrering till ett långsiktigt underhållbart system.

Mitt ansvar

Jag ledde arbetet med att utveckla Lite Studio från en samling separata AI-verktyg till en lokal skrivbordsarbetsstation. Jag definierade gränserna för samtalshantering, modellkonfiguration, kontextkomprimering, pluginanrop och export samt etablerade dokumentation, API-kontrakt och arbetsflödesbaslinjer för spårbara och levererbara iterationer.

Teknisk lösning

pywebview är värd för den lokala skrivbordskörningen; Vue + SQLite + plugin-system utgör den stationära AI-arbetsstationen.

Skrivbordsskiktet pywebview delar en process med Python-backend; gränssnittet anropar LLMEngine / PluginHost via bridge.js, tar emot strömmande händelser och plugin-tillstånd.
context_ledger lägger till konversationssammanfattningar som strukturerade noder istället för råhistoria, vilket ger en strukturerad startpunkt för långa konversationskomprimering och grafbaserad förståelse.
bridge.js förenar strömmande svar, chain-of-thought push och plugin-händelser till ett standardhändelseformat för frontend.
Ett 5-lagers monteringsmönster begränsar modulberoenderiktningen: Lagring → Gateway → Engine → PluginHost → Front Bridge, vilket minskar implicit koppling över långvarig iteration.
SQLite hanterar sessioner, meddelanden, förinställningar och context_ledger; all lokal data är fristående utan externa tjänster.

Resultat i korthet

Projektdokumentationen blev teamets enhetliga ingenjörsreferens, som täckte över 80 API-kontrakt och 12 kärnarbetsflöden. context_ledger omvandlar hantering av långa konversationer från hård trunkering till strukturerad komprimering genom inkrementell sammanfattningsnod. En fristående webbdemosida byggdes ovanpå, som återskapade hela interaktionen – sidofältskollaps, modellbyte, visualisering av tankeprocesser, minnesarkivering och export av flera format – i ett vintage-havregrynsdesignsystem, som inte kräver någon backend för att visa upp hela produktupplevelsen.

Python 3.8+ pywebview SQLite Medvind / Vue Memory Kontextreskontra Graph

Se utvecklingsloggen

OpenClaw Sentinel

Multi-Agent MIT License GitHub Repo

Skyddsräcken för Agent-routning + orkestrering av WebSearch-underagenter

Bakgrund

I agentarbetsflöden med flera verktyg, om huvudagenten äger alla sök-, forsknings- och exekveringsverktyg som standard, blir högkostnads-API:er lätt överanvända och lätta uppgifter blandas med djup forskning i ett sammanhang, vilket orsakar kostnadsslöseri, suddiga gränser och säkerhetsrisker.

Mitt ansvar

Ägde självständigt definitionen och leveransen av OpenClaw Sentinel, abstraherar sökkostnader, verktygsbehörigheter och exekveringsgränser i agentarbetsflöden med flera verktyg till ett återanvändbart routingstyrningsmönster. Jag ledde design av beteendegränser, policy för verktygsanrop, valideringsflöde och frisläppning av öppen källkod så en MCP-integration blev en bärbar agentstyrningslösning.

Teknisk lösning

En agentruttmodell med två lager: huvudagenten hanterar lätt sökning och exekvering; en webbforskare Sub-Agent hanterar djup forskning.

Huvudagenten är ansvarig för frågor och svar, kodoperationer, uppgiftsplanering och lättviktshämtning; Underagenten utför endast sökning/verifiering/resonemang/sammanfattning och kör inte lokalt.
Förinställningar deklarerar tillåt/neka-listor och policyer för verktygsanrop, vilket förhindrar att huvudagenten överanvänder dyra forskningsverktyg.
Allmänna frågor är som standard DuckDuckGo lättviktssökning; endast komplex forskning, verifiering av flera källor, arkitekturbedömning eller explicita användarförfrågningar vägen till Perplexity MCP.
Lösningen levereras med verifieringsskript, installationsskript och tvåspråkig README, vilket bildar en portabel agentverktygsstyrningsmall.

Resultat i korthet

Levererar kostnadsklassad sökning kontra djup forskning, tydlig isolering av exekvering-vs-forskningsansvar och strikta säkerhetsgränser: inga hemligheter i repor, ingen API-nyckelexponering, inga riktiga konfigurationsuppladdningar. Projektet levereras med MIT-licens, tvåspråkig README, förinställningar, installationsskript och valideringsskript för gemenskapsutveckling.

OpenClaw MCP Sub-Agent Agentorkestrering Perplexity API DuckDuckGo Agent routing Verktygsgräns

Se utvecklingsloggen

MiMo Vision MCP

Vision MCP-plugin MIT License GitHub Repo

MCP Vision Bridge för LLM-agenter med endast text

Bakgrund

LLM:er endast för text (DeepSeek, Qwen, etc.) utmärker sig på resonemang och kodning men saknar inbyggd vision. Det här projektet omsluter Xiaomi MiMo v2.5 som en standard MCP-server, vilket ger textagenter bildförståelse via verktyget mimo_image_analyze - huvudmodellskälen, uppfattar MiMo.

Mitt ansvar

Jag ansvarade självständigt för utformning och leverans av en bildförståelsebrygga för textbaserade Agent-system. Den omvandlar ett enskilt modellanrop till ett installerbart, konfigurerbart och återanvändbart MCP-verktyg. Jag definierade användningsfall, anropsgränser, säker konfiguration och leverans med öppen källkod, så att OpenClaw, Claude Desktop, Cursor och liknande klienter kan ansluta funktionen på ett tillförlitligt sätt.

Teknisk lösning

Python MCP SDK omsluter MiMo v2.5 som en MCP-server så att enbart textagenter kan montera vision på begäran.

MCP-servern hanterar protokolldeklaration, verktygsregistrering och Stdio/SSE-transportanpassning.
MiMo API-adaptern hanterar kodning av lokala filer/URL-bilder, API-förfrågningar och normalisering av textresultat.
Stöder ett gränssnitt med två parametrar: image_path (obligatoriskt) + prompt (valfritt), kompatibelt med Claude Desktop, Cursor, Cline, OpenClaw och andra MCP-klienter.
API-nycklar hålls borta från kodbasen och konfigureras säkert genom miljövariabler.

Resultat i korthet

Implementerade en komplett MCP-visionsbrygga i en enda server.py, och fyllde visionluckan i agentverktygskedjan. Det stöder skärmdumpsfelsökning, UI-analys, OCR-extraktion, diagramtolkning och dokumentanalys. Designen är löst kopplad, utbytbar och lätt att orkestrera: huvudmodellen förblir skild från visionslogik, medan vision kopplas till på begäran. Det har körts stabilt i en OpenClaw Agent-miljö.

MCP MiMo v2.5 Vision AI Python Endast text LLM Bildanalys OCR Agentverktyg

Se utvecklingsloggen

QCode Toolkit (SVG QR-kod)

Verktyg för endast frontend Enskild fil, ingen konstruktion krävs Prova online

Bakgrund

Eftersom dagliga arbetsflöden ofta kräver batch-generering och avkodning av QR-koder, medan många befintliga verktyg är annonstunga, betalda eller nätverksberoende, bygger detta projekt ett program utan installation, backend-fritt, endast frontend-QR-kodverktyg.

Mitt ansvar

Oberoendeägt QCode Toolkits produktplanering, interaktionsdesign och releaseleverans, definierar verktygsgränserna kring QR-kodgenerering, styling, batchbearbetning och SVG-nedladdning. Fokus var att stänga slingan helt i webbläsaren utan backend-beroende samtidigt som användbarhet, delbarhet och långsiktiga underhållskostnader balanserades.

Teknisk lösning

Enfils HTML / Vanilla JS / CSS - generera, analysera, stil och batchbearbeta QR-koder helt i webbläsaren, ingen backend behövs.

Användargränssnittslagret hanterar textinmatning, dra-och-släpp, stiljusteringar och förhandsgranskning; parsinglagret integrerar jsQR för att känna igen QR-koder från bilder i webbläsaren.
Återgivningslagret använder QRCode.js eller anpassad SVG-logik för att producera PNG/SVG-utdata.
DOM Dra & Drop API stöder batchbearbetning av flera filer; SVG-export säkerställer tydlighet i tryckta och sekundära designscenarier.
Hela pipelinen rör aldrig en backend – ingen risk för datauppladdning, lämplig för delning som en fristående HTML-fil.

Resultat i korthet

Levererade ett verkligt webbläsarfärdigt verktyg som täcker QR-generering, formaterad ritning efter avkodning och batchigenkänning samtidigt som data hölls lokal, privat och portabel över plattformar.

Vanilla JS HTML5 / CSS3 En fil-app Batchbearbetning SVG-export Dra & släpp API

Repo Se utvecklingsloggen

QuanWen.art

Fullstack webbplats Innehållshubb AI-Native Tvåspråkig

Bakgrund

QuanWen.art är ett självbyggt nav för personligt digitalt innehåll, designat som ett långsiktigt driftbart fullstack-webbsystem. Den integrerar projektpresentationer, fotouppsatser, framstegsuppdateringar, AI-chatt, kontaktmeddelanden och administratörshantering i en arkitektur, vilket ger den personliga webbplatsens innehållspublicering, dataunderhåll, åtkomstskydd och skalbara tillväxtmöjligheter.

Mitt ansvar

Som oberoende produkt- och ingenjörsägare till QuanWen.Art var jag ansvarig för den fullständiga planeringen och leveransen av platspositionering, innehållsstruktur, offentlig presentation, drift av backend och säkerhetsunderhåll. Jag integrerade projekt, fotouppsatser, framstegsloggar, AI-chatt, kontaktmeddelanden och administratörshantering i en långvarig nav för digitalt innehåll samtidigt som jag bibehöll dess uppdateringsbarhet, tillgänglighet och säkerhetsgränser.

Teknisk lösning

FastAPI + Jinja2-partialer + SQLAlchemy + MySQL, som täcker offentlig SSR-rendering, admin JSON-API:er, AI-chatt, mediehantering och säkerhetshärdning.

Frontend-SSR-lagret använder 10 Jinja2-delmoduler för att organisera rendering av hemsidan, optimerar synlighet ovanför mitten via StreamingResponse och lazy-loading-strategier.
Backend FastAPI-routing och servicelagret hanterar innehållsläsning, gästbok, AI-chatt, mediehantering och adminoperationer.
Datalagret använder 14 MySQL-tabeller för att hantera entiteter för profiler, projekt, foton, media, meddelanden, åtkomstloggar och säkerhetsloggar.
Säkerhetslager: TrafficGuardMiddleware + CSRF + Session Token + IP-hastighetsbegränsning + Nginx-hastighetsbegränsning + fail2ban bildar ett försvars-på djupet system.
Tailwind CSS migrerade från CDN runtime-kompilering till statisk kompilering, vilket eliminerade alla renderingsblockerande resurser; TTFB minskade från 262ms till ~20ms.

Resultat i korthet

Självständigt levererat ett fullstack självbyggt webbsystem, uppgraderat QuanWen.Art från en statisk portföljsida till en fungerande digitalt innehållsnav. Gränssnittet använder StreamingResponse för chunk streaming-rendering, med partiella moduler som möjliggör tidigare synlighet på första skärmen och förvandlar hemsidan från en monolitisk mall till en underhållbar modulstruktur. Backend ansluter offentliga API:er, administratörshantering, AI-chatt, mediauppladdningar, besöksloggning och innehållstjänster genom FastAPI, vilket bildar en komplett loop från presentation till drift. Datalagret använder 14 MySQL-tabeller för att stödja profiler, projekt, foton, meddelanden, media, besök och hastighetsgränsposter, med en DB-first/static-fallback-strategi för bättre tillgänglighet. Säkerhetsskiktet täcker inloggningsskydd, CSRF, Session Token, IP-hastighetsbegränsning, trafiknivåkontroll, onormal förfrågningsblockering och Nginx/fail2ban-koordinering, vilket ger projektet den tekniska fullständighet som krävs för verklig produktionsinstallation.

AI-NATIVE Strömning FastAPI Jinja2 SQLAlchemy MySQL i18n Tvåspråkig Innehållshubb Modulära delar Prestandaoptimering 2026

Se utvecklingsloggen

Finjustering av Qwen3-8B kinesisk supportagent

LLM finjustering QLoRA Supportagent Kaggle T4

Bakgrund

Detta projekt är inriktat på QuanWen.Art-webbplatsens supportagentscenario och utforskar parametereffektiv finjustering för en 8B öppen källkod LLM under Kaggles dubbla Tesla T4-resursbegränsningar. Med Qwen/Qwen3-8B som basmodell injicerar den kinesiska instruktionsdata som täcker identitetsfrågor och svar, tekniska förklaringar, generering av produktkopior och supportsvar, och slutför en ingenjörsslinga från datakonstruktion, ChatML-mallkonvertering, 4-bitars kvantiserad laddning, SFT-finjustering, adaptersparande, till omladdningsbaserad slutledningsvalidering.

Mitt ansvar

Som oberoende projektägare designade och körde jag den vertikala finjusteringsvalideringen för en 8B-modell med öppen källkod runt QuanWen.Art-scenariot för supportagenter. Jag definierade utbildningsmålet, omfångade kinesisk support och identitets-QA-data, planerade den billiga GPU-experimentvägen och slutförde genomförbarhetsslingan från utbildningsvalidering till framtida integration med webbplatsens supportkorpus.

Teknisk lösning

Hugging Face-ekosystem på dubbla T4 GPU:er — SFT/QLoRA finjusteringsvalidering för en 8B-modell.

Datalagret bygger kinesiska exempel i formatet instruction/input/output för identitetsfrågor, tekniska förklaringar, produkttexter och kundservicesvar.
Transformatorer + datamängder + PEFT + TRL + bitsandbytes bildar hela finjusteringspipelinen; ChatML-mall förenar konversationsformatet.
BitsAndBytesConfig använder 4bit NF4 + dubbel kvantisering för att minska VRAM-trycket; LoRA injiceras i modulerna q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj.
paged_adamw_8bit optimizer, gradientackumulering och k-bit träning anpassar sig till lågkostnadsmiljöer för GPU-experiment.
Adapter spara, komprimera, ladda om och slutledningsvalidering bildar en komplett sluten slinga.

Resultat i korthet

Slutförde Träna -> Spara -> Paket -> Ladda om -> Inferensfinjusteringsslinga för Qwen3-8B i en lågkostnads moln-GPU-miljö, vilket producerar en återanvändbar 8B-nivå SFT / QLoRA ingenjörsmall. Projektet validerar genomförbarheten av kinesiska vertikalscenarios finjusteringar under begränsad VRAM och etablerar den tekniska grunden för senare QuanWen.Art support-corpus integration, privat Q&A expansion och en platsspecifik supportagent.

Qwen3-8B SFT QLoRA PEFT Hugging Face BitsAndBytes ChatML Supportagent

Kuggla

GEO / SEO Läsbarhetsinfrastruktur - AI-sökning och strukturerad indexering

GEO SEO llms.txt Strukturerad data

Bakgrund

En personlig webbplats ska inte bara vara en visuell sida för mänskliga besökare; det bör också bli en offentlig innehållsnod som sökmotorer, AI-söksystem och modellutbildningssökrobotar kan förstå på ett tillförlitligt sätt. Detta projekt uppgraderar QuanWen.Art från presentation på sidnivå till en maskinläsbar webbplats med strukturerad data från robots.txt, sitemap.xml, llms.txt och JSON-LD.

Mitt ansvar

Ägde den övergripande styrningen av QuanWen.Arts externa upptäckbarhet och maskinläsbarhet, och definierade gränserna mellan offentligt innehåll, privata sökvägar, genomsökning av sökmotorer och AI-sökrobotåtkomst. Jag ledde slingan från policydesign och semantisk innehållsorganisation till produktionsverifiering, och uppgraderade webbplatsen från en portfölj som riktar sig till besökare till en allmän kunskapsnod som sökmotorer, svarsmotorer och LLM-system kan förstå konsekvent.

Teknisk lösning

FastAPI genererar dynamiskt robots.txt, sitemap.xml, llms.txt och JSON-LD, och anpassar noder för allmänheten med sök- och AI-ekosystemet.

Ruttlagret tillhandahåller /robots.txt, /sitemap.xml, /llms.txt och andra offentliga ingångspunkter; webbplatskarta skickar automatiskt startsidan, fotolistan, framstegssidorna och publicerade fotodetaljsidor.
robots.txt tillåter uttryckligen Google, Bing, Baidu, Sogou, 360, Shenma-sökmotorer, plus AI-sökrobotar: OpenAI, Perplexity, Applebot, Google-Extended, CCBot.
Blockerar samtidigt /admin, /api, /passport, /partial, /uploads för att förhindra oavsiktlig indexering av privata sökvägar.
llms.txt beskriver webbplatsens identitet, temaomfattning, representativa projekt och AI-utbildning/citatpolicy i Markdown.
JSON-LD använder Person, WebSite, ProfilePage, CollectionPage, CreativeWork och ItemList från Schema.org för att etablera entitetsrelationer.
pytest täcker robotar, webbplatskarta, llms.txt och strukturerad datautgång för hemsida/foton/förloppssidor.

Resultat i korthet

Denna uppgradering förvandlar QuanWen.Art från en portföljyta till en allmän kunskapsnod som maskiner kan tolka. Sökmotorer kan följa webbplatskarta-driven upptäckt; AI-system kan använda llms.txt för att förstå ämnesomfång och behörighetsgränser; strukturerad data hjälper sök- och svarsmotorer att koppla samman författare, webbplats, projekt och innehållssamlingar. Verifiering omfattar robotar, webbplatskarta, llms.txt och JSON-LD, med produktionsändpunkter som returnerar HTTP 200 efter omstart av tjänsten.

FastAPI robots.txt sitemap.xml llms.txt JSON-LD Schema.org AI Crawler pytest

Se utvecklingsloggen llms.txt sitemap.xml

Personlighetsförutsägelse och insikter om användarbeteende

Datavetenskap Vetenskaplig

Bakgrund

Byggde en analyspipeline för maskininlärning för insikter om användarbeteende, och utvärderade värdet av personlighetsförutsägelse för användarsegmentering och operativ strategistöd.

Mitt ansvar

Ägde översättningen av en personlighetsförutsägelsefråga i forskningsstil till en verifierbar dataanalysuppgift, som definierade utrymmet för databehandling, funktionstolkning, modelljämförelse och resultatkommunikation. Jag fokuserade på att omvandla modellutdata till affärsläsbar användarsegmentering och beteendeinsikter för senare CRM-taggning, A/B-testning och personlig uppsökande diskussion.

Teknisk lösning

Pandas + Scikit-learn + XGBoost bygger en analyspipeline för personlighetsprediktion från datarensning till klassificering och tolkning.

Datalagret hanterar behandling av saknade värden, filtrering av extremvärden, funktionskodning och standardisering.
XGBoost + Scikit-learn Pipeline organiserar utbildning och validering; GridSearchCV utför hyperparametersökning och k-faldig korsvalidering.
Standardisering och one-hot-kodning placeras inuti pipelinen för att minska risken för läckage av dataförbearbetning.
Modellresultaten översätts till diskussionsgrunder för CRM-taggning, A/B-testning och personlig uppsökande.

Resultat i korthet

Utvecklade ett komplett analysarbetsflöde från rådata till tolkbara modellutdata, vilket gav en grund för vidare diskussion om CRM-taggning, A/B-testning och personliga uppsökande strategier.

Pandas / Numpy XGBoost Scikit-learn Datavisualisering

Se utvecklingsloggen

Multi-Source Web Collection och Public Sentiment Engine

Datateknik Skalbar pipeline

Bakgrund

Byggt en insamlingsmotor för videokommentarer och specialistnyheter, kontinuerligt skrapa, rengöra och producera strukturerad produktion för policyforskning och övervakning av allmänhetens åsikter.

Mitt ansvar

Ägde konverteringen av spridda webb-, kommentars- och nyhetsdatabehov till en återanvändbar datainsamlingsuppgift, som definierade insamlingsomfång, fält, städningsregler och leveransformat. Målet var att flytta engångsmanuell insamling till ett hållbart datatekniskt arbetsflöde för policyforskning, observation av allmänhetens åsikter och senare sentimentanalys.

Teknisk lösning

förfrågningar + asyncio + rvest bygga en asynkron samlingspipeline med flera källor som producerar strukturerat forskningsmaterial.

asyncio samtidighetspooler förbättrar genomströmningen av flersidig samling; slumpmässiga förseningar, User-Agent-rotation och underhåll av cookiessession förbättrar skrapningsstabiliteten.
Rengöringsskiktet hanterar fältextraktion, deduplicering, formatstandardisering och anomalifiltrering; utdatafält och rengöringsspecifikationer är standardiserade i förväg.
Slutresultatet är strukturerat som CSV / tabellfiler redo för nedströms sentimentanalys och återanvändning av policyforskning.

Resultat i korthet

Skapat ett komplett arbetsflöde från skrapning och rengöring till att spara strukturerade resultat, minska manuell organisering av rå webbinnehåll och lämna en utvidgbar grund för sentimentanalys och konkurrentövervakning.

Python / asyncio rvest Motåtgärder mot skrapning Datapipeline

Se utvecklingsloggen

Automatisering med Yingdao RPA

RPA-automatisering Produktivitet

Bakgrund

Introducerade RPA-automatisering för att minska manuell ansträngning i frekventa, repetitiva, felbenägna arbetsflöden i Zhiying EPR.

Mitt ansvar

Ägde automatiseringsredesignen av repetitiva back-office-arbetsflöden i ERP-drift, identifierade högfrekventa manuella steg och omorganiserade klick, formulärunderhåll och resultatkontroller till automatiserbara affärsnoder. Jag fokuserade på processstandardisering, mappning av undantagsscenario och användbarhetsvalidering på operationssidan så att RPA-flödet kunde tjäna dagligt arbete snarare än att förbli en skriptdemo.

Teknisk lösning

Yingdao RPA bryter upp repetitiva backend-operationer i återanvändbara automationsnoder, med reservhantering för undantag.

Flödesskiktet delar upp inloggning, menynavigering, formulärinmatning och resultatbekräftelse till standardåtgärdsnoder, och undviker enstaka skript som inte kan underhållas.
Exekveringslagret använder tangentbords-/mussimulering och villkorliga triggers för att slutföra backend-operationer; undantaget reservlagret hanterar popup-fönster, timeouts och återförsök.
Kontrollpunkter för manuell bekräftelse bevaras vid kritiska noder för att förhindra att automatiseringsfel ökar risken.

Resultat i korthet

Förvandlade repetitiva backoffice-åtgärder till återanvändbara automatiseringsarbetsflöden, vilket minskade exekveringsvariabiliteten från manuella klick och misstag för fortsatt användning i stabila affärsprocesser.

Yingdao RPA EPR Autoklick Arbetsflödesorkestrering Försök att hantera igen

Amazon US FBM Deep-listing

Strategi Ops Produktion live

Bakgrund

För Amazons amerikanska FBM-kurerade listningar är målet att ge upptäckten av nya produkter, förberedelser av tillgångar och noteringskadens en fastare grund snarare än att förlita sig på erfarenhetsstyrd massnotering.

Mitt ansvar

Ägd produkturvalsbedömning, listningskadens och koordinering av tillgångsförberedelser för Amazon US FBM djuplistningsarbete, vilket förvandlar upplevelsedriven notering till ett mer granskningsbart datadrivet arbetsflöde. Jag kopplade samman marknadstrender, nyckelordsbedömning, tillgångskvalitet och listningsrytm så att operationsstrategin och den visuella AI-verktygskedjan kunde samarbeta mer stadigt.

Teknisk lösning

SellerSprite + Google Trends + AI visuell verktygskedja bildar en sluten slinga för inköpsbeslut, förberedelse av tillgångar och granskning av listningskadens.

Data-bedömningslagret fokuserar på nyckelordsvärme, konkurrensintensitet och marginalpotential; trend- och nyckelordsdata begränsar inköpsprioriteringar.
Tillgångsproduktionslagret kedjer produkt-bildoptimering med AI-scengenerering; AI visuella verktygskedja förbättrar bildproduktionens konsekvens.
Operations-review-lagret spårar listor över takt, tillgångskvalitet och nedströmsprestanda, och förfinar kontinuerligt inköpsregler och tillgångsstandarder.

Resultat i korthet

Utvecklade gradvis mer stabila produktval och lanseringsrytmer, med fokus på listkvalitet, konsekvent presentation och effektiv förberedelse av tillgångar för fortsatta långsiktiga förbättringar.

SellerSprite Google Trends Kurerade FBM-listningar Originaltillgångar med vit bakgrund

Painter-Harness

Grunden för batchgenerering och multi-turn redigering för bildmodeller

Kärnprojekt Iterativ Dev Harness

Bild-modell sele Multi-turn redigering på selenivå Prefix-cachevänlig

Bakgrund

Bildmodeller är tillståndslösa: ett anrop ger en bild, utan minne av batchförlopp, ingen kunskap om varför den föregående bilden misslyckades och ingen garanti för överensstämmelse med referenser. Produktdetaljerad bildproduktion är dock en långvarig, flerstegsuppgift i flera sessioner.

Painter-Harness levererar lagret utanför modellen. Sammansättningskontrakt, begränsningsställningar, modelldirigering, externt tillstånd och felåterställning hanteras av körtiden; modellen målar bara.

Den stöder inbyggt AI-bildgenerering och multi-turn konversationsredigering genom Harness-lagret, utan att förlita sig på modellen för att bevara en session. Alla genererade bilder kan bli en ny baslinje, acceptera ytterligare referenser och producera varianter tur för tur medan produktankare och kopieringsbegränsningar förblir stabila under hela sessionen.

Under den vanliga definitionen Agent = Model + Harness bygger detta projekt den andra halvan för bildmodeller.

Mitt ansvar

Designade och implementerade detta runtime-lager. Fokus ligger inte på snabb justering, utan kontraktsdefinition, tillståndsplacering, felåterställning och behörighetsgränser, med ansvar för utdatakonsistens, protokollkompatibilitet, kvotschemaläggning och omspelbar historik.

Teknisk lösning

En struktur i fyra lager med modellanrop omslutna av deterministisk kod.

Scaffold

Produktförankring, godkännandelistor för synliga kopior, regler för ingen återgivning av metadata och färgåtergivning kodas som strukturerade begränsningar och sätts samman vid varje samtal utan att förlita sig på ackumulerad kontext. Komposition kontrakteras som noder, där varje nod blir en oberoende uppgift.

Runtime

Skannar kataloger, skapar uppgifter, sammanställer förfrågningar, skickar modeller, samlar in utdata och arkiverar dem till disk. Skillnader mellan modellfamiljer absorberas av ett adapterlager: generering och redigering delar samma uppgiftsabstraktion, medan valfria parametrar som inte stöds försämras steg för steg utan att avbryta partiet. Samtidighet, mellanrum, timeouts och kvoter schemaläggs centralt av körtiden.

Selekapacitet

Redigering med flera svängar förlitar sig inte på bevarande av inbyggd modellsession; körtiden äger det. Varje bild har en session, medan sessionstillstånd, referenser och variantlinje kvarstår utanför modellen. Varje tur byggs om som en oberoende begäran från baslinjebilden, tillagda referenser och den aktuella instruktionen. Modeller med enkelvarvs API:er får därför redigering i flera svängar; resulterande varianter lagras, kan bli den aktuella bilden och förbli återupptagbara över sessioner.

Monteringsordningen är fixerad som stabilt begränsningsprefix → variabel nod och instruktion. Modeller som stöder prefixcache kan träffa cachen direkt, amortera upprepad inmatning av begränsningar och väsentligt minska genereringskostnaderna över långa batcher och redigeringar med flera svängar.

State

Progress lever utanför körtiden. Batchkontrollpunkter hoppar över slutförda noder över körningar; turn archives låter tillägg, redigeringar och variantjämförelser fortsätta utan att köra hela batchen igen.

Guardrail

Status och loggar strömmar i realtid. Fel behåller felklass, kvotkälla och försök igen, och uppgifter kan avbrytas när som helst. Högkostnadsgenerering exkluderas från automationsverktygskatalogen. Uppskalning och storlekskonvergens är tillgängliga som valfria efterbearbetningssteg.

Resultat i korthet

Modellen förblir densamma; leveransdeterminism kommer från körtiden. Katalogkontrakt gör ingångar förutsägbara, byggnadsställningar håller utdata konsekventa, kontrollpunkter innehåller fel på en nod och sessionstillstånd bevarar sammanhang under förfining.

När redigering av flera svängar blir en selefunktion, begränsas inte längre modellvalet av inbyggt sessionsstöd: modeller med en sväng kan komma in i redigeringskedjan. Stabil prefix-sammansättning låter cache-medvetna modeller ytterligare amortera upprepade begränsningar. En strukturerad noduppsättning kan driva flerspråkiga varianter, medan batchgenerering och multi-turn redigering av en enda bild går genom samma verktygslager.

Python 3.12 · FastAPI · Pydantic · Kontrollplan i ren JavaScript

Verktygsschemaläggning · Samtidig orkestrering · Quota Pool · Försök igen och försämring Flerfamiljsrouting · Generering/redigering av kanaler · Parameterkompatibilitet Constraint Scaffold · Strukturerade nodkontrakt · Utdataanalys och validering Multi-turn redigering på selenivå · Variantlinje · Referenssessioner Stabil prefixmontering · Prefixcacheträffar · Enkelvarvsmodellkompatibilitet · Kostnadsavskrivning Externiserat tillstånd · Batchkontrollpunkter · Minnesliknande tillstånd Observerbar loggström · Avbrytbara uppgifter · Behörighetskonvergens

AI Batch Design för internationell handel: JSON Workflow Generator

Generera standard, mycket kontrollerbar SD / Midjourney automatiserad bildrendering JSON-metadata med ett klick

Konstnärlig riktning stil

Kärnexportvaror

Mitt ansvar

Ansvarade för produktifieringen av en AI-bildprompt-arbetsflödesdemo, förvandlade stil, produkt, komposition och renderingsparametrar för utrikeshandelsproduktbilder till konfigurerbar prompt JSON. Fokus låg på generering av rörlig bild från handskrivna uppmaningar till ett strukturerat, återanvändbart och påvisbart gränssnitt för att förstå parametriserad visuell produktion.

Teknisk lösning

Abstraherar generering av utrikeshandelsproduktdetaljer till en strukturerad prompt JSON, vilket gör stil, produktattribut, komposition och renderingsparametrar konfigurerbara, förhandsgranskningsbara och återanvändbara.

Parameterlagret hanterar produkttyp, visuell stil, försäljningsargument, bakgrund, kamera/objektiv och utdataspecifikationer.
Formulärparametrar sätts samman till strukturerad prompt JSON; utgången bevarar fältbegränsningar för senare integration med ComfyUI, Flux eller andra bildgenererande arbetsflöden.
Omedelbar förhandsgranskning stärker förståelsen av "parameterändring → visuell avsiktsändring", vilket minskar kostnaderna för att återanvända och ändra handskrivna uppmaningar.

Ritningen kopierad till urklipp! Redo för stabil diffusion / Midjourney automation.

Generating JSON system blueprint...

Om mig — där berättandet möter vetenskapen

Min kompetensprofil

01. Handelsforskning och plattformsdrift

02. Fullstackutveckling och webbarkitektur

03. Agentteknik och driftmiljöer

04. Öppen källkod och frontendestetik

Utvalda projekt och kreativa verkstäder

Allmän verktygsplattform (AiNative-Tools)

Bakgrund

Mitt ansvar

Teknisk lösning

Resultat i korthet

Lite Studio

Bakgrund

Mitt ansvar

Teknisk lösning

Resultat i korthet

OpenClaw Sentinel

Bakgrund

Mitt ansvar

Teknisk lösning

Resultat i korthet

MiMo Vision MCP

Bakgrund

Mitt ansvar

Teknisk lösning

Resultat i korthet

QCode Toolkit (SVG QR-kod)

Bakgrund

Mitt ansvar

Teknisk lösning

Resultat i korthet

QuanWen.art

Bakgrund

Mitt ansvar

Teknisk lösning

Resultat i korthet

Finjustering av Qwen3-8B kinesisk supportagent

Bakgrund

Mitt ansvar

Teknisk lösning

Resultat i korthet

GEO / SEO Läsbarhetsinfrastruktur - AI-sökning och strukturerad indexering

Bakgrund

Mitt ansvar

Teknisk lösning

Resultat i korthet

Personlighetsförutsägelse och insikter om användarbeteende

Bakgrund

Mitt ansvar

Teknisk lösning

Resultat i korthet

Multi-Source Web Collection och Public Sentiment Engine

Bakgrund

Mitt ansvar

Teknisk lösning

Resultat i korthet

Automatisering med Yingdao RPA

Bakgrund

Mitt ansvar

Teknisk lösning

Resultat i korthet

Amazon US FBM Deep-listing

Bakgrund

Mitt ansvar

Teknisk lösning

Resultat i korthet

Painter-Harness

Bakgrund

Mitt ansvar

Teknisk lösning

Scaffold

Runtime

Selekapacitet

State

Guardrail

Resultat i korthet

AI Batch Design för internationell handel: JSON Workflow Generator

Mitt ansvar